【PyTorch→TensorFlow変換】ONNXモデルからTensorFlowモデルへ変換できない？よく詰まるポイントと対処法

Posted at 2025-04-03

はじめに

転職活動中の近藤です。
物体検出モデルを「PyTorchで学習 → TensorFlowで推論」する流れに興味を持ち、
変換時にどこで詰まりやすいのか、どうすれば現実的に解決できるのかを調べています。

今回はPyTorchのモデルをTensorFlow形式に変換しようとして、ONNX変換でハマった経験からこの記事を書いています。

ONNXにできたからOK？ → ではないんです ❌

PyTorch → ONNX は「柔軟」で変換できてしまうことが多く、
そのせいで「変換成功した！」と思ってしまいがちです。

でも、ONNX → TensorFlow（tf2onnxやonnx-tf）では
"変換できる演算子(Op)しか動かない" ため、ここでハマってしまうんですよね。

そんな時にはこんなエラーが出ます。

NotImplementedError: No conversion function for op: GridSample

ValueError: No converter found for op: NonMaxSuppression

「えっ、ONNXにはできたのに...」
という "変換落とし穴" に、ハマってしまった人も多いはずです。

この記事では、そうした ONNX → TensorFlow変換で詰まる原因 と、
特に物体検出モデルなどで問題になりやすい 演算子（Op）やopset_versionの選び方 について、
実際の変換失敗例やログ とあわせてわかりやすく整理します。

変換エラーを避けるためには、まずモデルの中身を知ることが重要です。

PyTorch → ONNX を opset=11, 12, 13 あたりで順番に試す

torch.onnx.export(model, dummy_input, "model.onnx", opset_version=13)

Netron でONNXモデルを確認
- 使用されている演算子（op_type）を確認
- 特に GridSample, Slice, Loop, If などの使用に注意
tf2onnxの対応演算子 と照らし合わせる
- サポート外のOpが含まれていないかを事前に確認する

演算子（Op）名	よく使う場面	問題点	回避・対策
`GridSample`	RoIAlign、DeformableConv	TensorFlow未サポート	事前処理に切り出す or 削除・置換
`NonMaxSuppression`	検出後処理	TF Liteでも非対応／opset依存の挙動	モデル外処理として切り出す
`Loop`	条件付き処理、可変ステップ処理	動的制御構造がONNX→TFで通らない	ループをunroll or 平坦化
`If`	学習・推論の分岐など	TF変換で失敗しやすい	条件分岐を避け、常に同じ経路にする
`Slice`	特定領域の取り出し	opsetで仕様が異なりバグりやすい	opset 13以降推奨／Reshapeに変更
`Reshape`, `Flatten`	中間層整形	shapeが可変だと失敗	明示的に固定shapeを与える
`ConstantOfShape`	全体マスク生成など	TensorFlowで非サポートなケースあり	`tf.fill` などで置き換え

詳しくは公式のtf2onnxの対応演算子の一覧をチェックしてください！

フェーズ	推奨されるopset戦略
PyTorch → ONNX	モデルが変換できて必要な演算子が含まれる最小限のバージョン
ONNX → TensorFlow	tf2onnxが対応しているバージョンで動作するかを確認

NotImplementedError: No conversion function for op: GridSample

ValueError: No converter found for op: NonMaxSuppression

目的	実務での考え方
精度を維持した変換	PyTorch→ONNX の opset は必要最小限に。TFでの互換性を確認する
変換エラーの回避	ONNXモデルを見て、変換不能な演算子があるか先にチェック
安定運用	モデルごとに「安定する組み合わせ」を記録しておく

物体検出モデルをPyTorch→TensorFlowへ変換するためには
TensorFlowへの変換を前提としたモデル設計が何より大切だと改めて感じました。

そのために何を想定して設計すべきかを知る手助けができたらいいなと思っていますので、これからも記事を書いていきます🌱
参考になった方は、いいね・ストック・フォローしてもらえると嬉しいです！